Machine Learning für Präklinische Erkennung von Schlaganfall durch Gefäßverschluss
Von KI ausgewählt und zusammengefasst
Worum es geht
Vergleich von XGBoost, logistischer Regression und klinischen Scales zur Präklinischen Erkennung von Schlaganfällen mit großem Gefäßverschluss oder Hirnblutung anhand von Rettungsdienst-Daten.
Ergebnis
XGBoost erreichte balanced accuracy von 82,1 % mit Routine-Variablen und 84,4 % mit erweiterten Variablen, übertrifft logistische Regression (79,0–80,7 %) und RACE-Scale (74,5 %); Sensitivität 76,7 %, Spezifität 92,1 %.
Übertragbarkeit auf Deutschland
Niederlande, vergleichbares europäisches Gesundheitssystem, prospektive Validierung erforderlich.
Originalstudie in PubMedIm Hub ansehenNeue Studien per E-Mail
Auswahl und deutsche Zusammenfassung stammen von einer KI und sind nicht redaktionell geprüft. Maßgeblich ist die Originalpublikation.